摘要：目的 探討超低劑量CT（ULDCT）結合深度學習重建（DLIR）算法在肺結節(jié)評估中的可行性。方法 于2023年6月～11月在陜西中醫(yī)藥大學附屬醫(yī)院前瞻性納入142例因肺結節(jié)復查的患者，同時接受標準劑量CT檢查（SDCT）和超低劑量CT檢查（ULDCT）。SDCT采用基于多模型的迭代重建40%（ASIR-V40%）（A組），ULDCT分別采用ASIR-V40%（B組）和高強度深度學習重建（DLIR-H）（C組）。記錄兩種掃描方式的輻射劑量和3組圖像人工檢測結節(jié)數。測量3組圖像肺組織、主動脈、肌肉的CT值和噪聲值（SD），并計算各組織的信噪比（SNR）。采用雙盲法對3組圖像肺結節(jié)的惡性征象（毛刺、分葉、空洞或空泡、胸膜牽拉征、血管穿行）進行5分制主觀評分。以病理診斷為金標準，對比分析超低劑量和常規(guī)劑量胸部 CT 檢查對肺結節(jié)惡性征象的診斷效能。對3組圖像的定量指標和主觀評分進行統(tǒng)計學分析。結果 ULDCT相較于SDCT輻射劑量降低約92.7%，差異有統(tǒng)計學意義（Plt;0.05）。C組圖像肺組織、主動脈和肌肉的SD值低于B組，信噪比高于B組，肺結節(jié)惡性征象的顯示能力優(yōu)于B組（Plt;0.05），與A組的差異無統(tǒng)計學意義（Pgt;0.05）。3組圖像肺結節(jié)檢出數量分別為187、179、187個。與病理結果對照，A組和C組診斷惡性肺結節(jié)的效能均高于B組，差異有統(tǒng)計學意義（Plt;0.05）。結論 超低劑量胸部CT結合深度學習重建能夠獲得與標準劑量 ASIR-V40%重建相當的圖像質量，且對肺結節(jié)的檢出及征象顯示良好，臨床可用于對肺結節(jié)的評估。

關鍵詞：肺結節(jié)；超低劑量；深度學習重建；圖像質量

Ultra-low-dose chest CT combined with deep learning reconstruction can be used for

pulmonary nodule assessment

FAN Qiuju 1 ， WU Haibo 2 ， TAN Hui 1 ， GUO Yanbing 1 ， MA Guangming 1 ， YU Nan 1

1 Department of Medical Image， Affiliated Hospital of Shannxi University of Chinese Medicine， Xianyang 712000， China;" 2 Department of

Encephalopathy， Zhongwei City People's Hospital， Zhongwei 755000， China

Abstract： Objective To evaluate the feasibility of using deep learning reconstruction （DLIR） for pulmonary nodule assessmentunder ultra-low dose CT （ULDCT） scanning. Methods A total of 142 patients who underwent CT scans for pulmonarynodules re-examination included. All patients were examined by both standard-dose CT （SDCT） and ULDCT. SDCT imageswere reconstructed with adaptive statistical iterative reconstruction-V 40% （ASIR-V40%）， ULDCT images were reconstructedwith ASIR-V40% and DLIR-H， respectively.A total of three sets of images were obtained （Group A， group B， group C）.Theradiation dose of both scanning modes and the number of lung nodules were recorded manually. The CT values and noisevalues （SD） of lung tissue， aorta and muscle were measured in 3 groups images， and the signal-to-noise ratio （SNR） wascalculated for each tissue.The malignant signs of lung nodules in the three groups were scored by double-blind method. Usingthe pathological diagnosis as the gold standard， the diagnostic efficacy of ULDCT and SDCT examination on the malignantsigns （burr， lobular， pleural traction sign， vacuole or void， vascular perforation） of pulmonary nodules was analyzed bycomparison. Statistical analysis was performed on the quantitative indicators and subjective scores of these three sets ofimages. Results The radiation dose of ULDCT was reduced by about 92.7% compared with SDCT， and the difference wasstatistically significant （Plt;0.05）.The SD values of lung tissue， aorta and muscle in group C were lower than those in group B，and the SNR was higher than that in group B （Plt;0.05）， and the ability to display malignant signs of nodules were better thanthose in group B， and there was no statistical difference between group C and group A （Pgt;0.05）.The number of pulmonarynodules detected in the three groups was 187， 179 and 187， respectively. Compared with the pathological results， the efficacy ofgroup A and group C in diagnosing malignant pulmonary nodules was higher than that of group B， and the difference wasstatistically significant （Plt;0.05）. Conclusion Ultra-low-dose chest CT combined with deep learning reconstruction can obtainimage quality comparable to ASIR-V40% of SDCT， and show good detection and signs of nodules， which can be used forclinical evaluation of pulmonary nodules.

Keywords： pulmonary nodules; ultra-low dose; deep learning reconstruction; image quality

隨著CT技術的廣泛應用，肺結節(jié)的檢出率大幅提高，根據LUNG-RADS分類標準，肺結節(jié)隨訪觀察是分類管理的重要方式之一。然而反復CT檢查必然會導致受檢者的輻射劑量累積增加，有研究認為重復CT檢查可能增加肺癌的風險［1］ 。近年來，低劑量CT技術發(fā)展迅速，輻射劑量大幅減少。當輻射劑量明顯降低，隨之帶來的圖像質量下降問題促使研究者開發(fā)更高效的重建技術［2］ 。迭代重建（IR）已經成為大多數CT供應商的標準重建技術。但是迭代重建算法可改變圖像的紋理特征，當迭代權重過大時，影響空間分辨率，重建圖像會變得“塑料樣”［3， 4］。深度學習重建算法（DLIR）選擇高度精選的、無偽影的人體模型和患者圖像集來訓練軟件，基于深度卷積神經網絡的模型用于模擬標準劑量FBP圖像的紋理，同時提供低圖像噪聲、條紋偽影抑制，提高低對比度病灶檢測能力和高分辨率［5， 6］。

目前，算法在腹部、頭顱以及胸部體模中應用較多［7-9］ ，超低劑量CT檢查（ULDCT）結合DLIR在臨床實驗研究中多集中在肺結節(jié)大小、CT值等客觀結果測量的研究［10］ ，主觀評價以及征象評估的研究較少，但Lung?RADS的結構化報告中，肺結節(jié)形態(tài)特征亦為重要評估指標。本研究擬采用DLIR用于ULDCT的重建對比，以驗證其在肺結節(jié)綜合診斷中的實際應用效果。

1 資料與方法

1.1 一般資料

本研究為前瞻性研究，已獲得陜西中醫(yī)藥大學附屬醫(yī)院審查委員會的批準（審批號：SZFYIEC-YJ-KYBC-2023年第［07］號）。研究對象為2023年6～11月在我院接受CT掃描的肺結節(jié)復查患者。納入標準：年齡18～80歲；行常規(guī)胸部CT檢查證實肺部有結節(jié)，并且肺結節(jié)長徑6～15 mm；肺內無明顯其他肺部疾?。ńY核、間質纖維化、嚴重感染及惡性腫瘤等）。排除標準：無法配合完成預檢呼吸訓練；有肺部手術史患者；圖像存在金屬或呼吸運動偽影的或圖像不全的；共掃描142例患者，最終納入的受檢者數量為 109 例，其中男性 41例，女性68 例，年齡63.2±11.3歲。記錄接受檢查的患者性別、年齡、身高、體質量、BMI。

1.2 檢查方法與圖像重建

受試者均采用256排Revolution Apex CT機（GE）先后行標準劑量（SDCT）和超低劑量（ULDCT）胸部CT檢查，2次檢查間隔約30 s?；颊咂教稍跈z查床上，雙手上舉。掃描范圍從肺尖至肺底?；颊咴?CT 掃描前進行2～3次標準呼吸和憋氣練習。標準劑量掃描參數如下：噪聲指數設置為15 HU，固定管電壓120 kVp，自動管電流，旋轉時間為0.5 s，螺距為0.992：1，層間隔、層厚均為5.0 mm。超低劑量根據患者體質量采用個性化掃描方案：根據患者BMI將受試者分為低體質量或正常者（BMIlt;24 kg/m 2 ）、超重者（24≤BMIlt;28 kg/m 2 ）以及肥胖者（≥28 kg/m 2 ），分別設置管電流為10 mA、20 mA、35mA，其它掃描參數與標準劑量相同。

檢查完畢后對受試者的原始數據進行重建：SDCT采用自適應統(tǒng)計迭代重建40%（ASIR-V40%），ULDCT分 別 采 用 ASIR-V40% 和 高 強 度 深 度 學 習 重 建（DLIR?H），共 獲 得 SDCT-ASIR-V40% 組、ULDCT-ASIR-V40%組、ULDCT-DLIR-H組（分別定義為A組、B組、C組）。所有圖像層間隔、層厚均重建為0.625 mm，圖像的窗寬、窗位分別設置為1200 HU、-600 HU。最后，將重建后的數據傳輸到GE AW 4.7工作站及PACS系統(tǒng)。

1.3 圖像分析

輻射劑量評估：分別記錄SDCT和LDCT成像的體積CT劑量指數（CTDIvol）和劑量長度乘積（DLP），估計有效劑量（ED）計算公式為：ED（mSv）=k×DLP［k=0.014 mSv/ （mGy·cm）］。圖像客觀分析：由1位具有3年工作經驗的放射科醫(yī)師對軸面圖像進行客觀分析。在重建肺窗中，將大小為100 mm 2 的感興趣區(qū)放置于主動脈弓（主動脈）、左肺上葉無血管區(qū)（肺實質），胸大?。∪猓y量CT值和標準差（SD），以SD作為噪聲值，每個區(qū)域測量3次并取平均值。測量時采用系統(tǒng)中復制粘貼（同步）的方法，保持感興趣區(qū)大小、面積一致。最后分別計算3組重建圖像主動脈、肺實質、肌肉的信噪比（SNR）：SNR 主動脈 =CT 值 主動脈 /SD 主動脈 、SNR 肺實質 =CT值 肺實質 /SD 肺實質 、SNR 肌肉 =CT值 肌肉 /SD 肌肉 。

圖像主觀評價：由2位分別具有10年和16年工作經驗的胸部影像醫(yī)師在工作站上分別獨立閱片，圖像以隨機順序呈現，閱片醫(yī)師不知道所評估圖像的掃描技術及重建方法。人工計算結節(jié)個數，用五分評分法對圖像質量進行主觀評分［11］ ；評估內容包括：肺結節(jié)特殊形態(tài)學征象（分葉、毛刺、胸膜牽拉、空泡、血管穿行）。5分，結節(jié)可見，細微征象顯示清晰，完全滿足診斷要求；4分，結節(jié)可見，細微征象顯示良好，不影響診斷信心；3分，結節(jié)可見，細微征象顯示欠清，基本滿足診斷要求；2分，結節(jié)模糊可見，細微征象不清，診斷受限；1分，結節(jié)顯示不清，無法診斷；采用觀察者間一致性（Kappa）評價2位醫(yī)師判定肺結節(jié)特殊征象的準確性。與病理結果對照，對比分析3組重建方式對肺結節(jié)惡性征象的診斷效能。

1.4 統(tǒng)計學分析

采用SPSS 26.0軟件進行統(tǒng)計學分析，計量數據以均數±標準差表示。不同重建算法下圖像質量客觀對比采用單因素方差分析；5分法主觀圖像質量評估采用Kendall W檢驗；采用Cochran's Q檢驗分析3組圖像檢出肺結節(jié)各惡性征象的率的差異；與病理結果對比，3種重建算法對肺結節(jié)良惡性檢驗效能的差異采用多個樣本χ 2 檢驗及事后兩兩比較。采用Kappa統(tǒng)計量計算觀察者間的一致性。以Plt;0.05為差異有統(tǒng)計學意義。

2 結果

2.1 基本資料和輻射劑量

ULDCT相較于SDCT輻射劑量降低約92.7%，差異有統(tǒng)計學意義（Plt;0.05）。

2.2 客觀對比結果

3組圖像的肺組織、主動脈、肌肉的CT值經組間和兩兩對比，差異均無統(tǒng)計學意義（Pgt;0.05）；C組圖像各組織的SD值低于B組，SNR高于B組（Plt;0.05），C組與A組的差異無統(tǒng)計學意義（Pgt;0.05，表1）。

2.3 主觀對比結果

2.3.1 肺結節(jié)特殊征象診斷信心比較 A組和C組主觀評分均高于B組，差異有統(tǒng)計學意義（Plt;0.001）。C組與A組的主觀評分差異無統(tǒng)計學意義（Pgt;0.05，表2）。2位觀察者對特殊征象判定的一致性較高（Kappa=0.80，Plt;0.05）。

2.3.2 特殊征象的顯示率" 3組圖像肺結節(jié)檢出數量分別為187、179、187，其中毛刺、分葉、空洞或空泡、血管穿行征象的顯示率在3組間的差異有統(tǒng)計學意義（Plt;0.05），兩兩比較顯示C組的顯示率與A組差異無統(tǒng)計學意義（Pgt;0.05），且均優(yōu)于B組。胸膜牽拉征象3組間的差異無統(tǒng)計學意義（Pgt;0.05，表3）。

2.3.3 與病理結果的對比 定義每個結節(jié)中至少有2個與惡性腫瘤相關的特征可以認為該結節(jié)具有惡性傾向。一共31個結節(jié)有病理結果，其中24個惡性，7個良性。與病理結果對比，3組診斷肺結節(jié)良惡性效能比較，敏感度、特異度、陽性預測值、陰性預測值和準確率的差異有統(tǒng)計學意義（Plt;0.05）；顯示C組與A組間的差異無統(tǒng)計學意義（Pgt;0.05），C組與B組、A組與B組之間的差異有統(tǒng)計學意義（Plt;0.05，表4）。

3 討論

本研究以ASIR-V40%重建的標準劑量圖像為參考，比較了在超低劑量掃描條件下，ASIR-V40% 和DLIR-H的不同重建算法對胸部圖像質量以及肺結節(jié)形態(tài)分析的影響，與傳統(tǒng)的 ASIR-V40% 算法相比，DLIR-H在超低劑量條件下顯著提高了圖像質量，生成了與標準劑量ASIR-V40%圖像相似的圖像質量、肺結節(jié)檢測效率和征象，節(jié)省了92.7%的輻射劑量。既往研究指出，罹患惡性腫瘤的人群中，大約有2%的患者與輻射劑量暴露有關［12］。故將CT檢查的輻射劑量降低到盡可能低的水平是研究的重點內容，而ULDCT掃描是減少輻射暴露的一種潛在選擇。本研究根據BMI個性化選擇10、20、30 mA掃描，結果顯示胸部低劑量掃描有效劑量為0.25±0.08 mSv，ULDCT相較于SDCT輻射劑量降低約92.7%。有研究基于深度學習圖像重建驗證超低劑量應用的研究中輻射劑量為0.75±0.03 mSv［13］ ，高于本研究結果。但在一項肺癌篩查實驗中，超低輻射劑量為0.07～0.14 mSv［14］ ，較本研究的結果劑量更低。分析原因可能為，該研究排除了BMIgt;30 kg/m 2 的患者，而本研究包括超重患者。另有研究顯示男性與女性有效輻射劑量有差異［15］，所以可以認為不同樣本中男女比例的差異也可能是影響劑量的因素。本研究中，ULDCT檢查的輻射劑量明顯低于1年的天然本底輻射劑量水平（約 2.0 mSv），減少了不必要的輻射對人體的潛在傷害。

本次實驗評估了超低劑量掃描條件下經 DLIR-H重建的胸部CT圖像，并與標準劑量和超低劑量條件下ASIR-V40%水平的圖像進行了比較，結果表明3組之間肺組織、大血管以及肌肉的CT值的差異無統(tǒng)計學意義，說明本次研究的超低劑量條件下，不會影響病灶密度的評估。3組之間SNR值對比結果顯示，超低劑量結合DLIR技術的圖像SNR值和標準劑量相當，差異無統(tǒng)計學意義，均高于ASIR-V40%的圖像。在對肺結節(jié)內部特征及周圍形態(tài)變化的主觀評價中，ULDCT聯合DLIR在一定程度上補償了低劑量引起的較高的圖像噪聲，使低劑量CT圖像具有與標準劑量掃描相同的質量，圖像質量完全符合臨床診斷要求。而且肺結節(jié)與肺組織之間呈高對比度，在一定范圍內，圖像噪聲的增加對肺結節(jié)的詳細顯示和觀察影響并不顯著。研究結果證實DLIR算法在不改變噪聲紋理的情況下降低了噪聲，提高了空間分辨率和可檢測性，進一步證實了DLIR算法不僅具有優(yōu)良的降噪能力，而且比迭代重建具有更大的劑量優(yōu)化潛力，與文獻中結論相符［16-18］。

本研究顯示，標準劑量和超低劑量DLIR-H均檢出肺結節(jié)187個，表明即使在劑量降低了92%的情況下，DLIR-H重建檢測肺結節(jié)的能力與標準劑量相當，檢測效能大于ASIR-V重建，對直徑≥6 mm的任意密度結節(jié)，可以做到不漏診，這與文獻報道的DLIR預測結節(jié)檢測的比值高于ASIR-V［14］相符。本研究結果中超低劑量結合DLIR組對主觀征象的診斷信心和標準劑量組相當，因為DLIR可以識別圖像的正常組織與噪聲，可以針對性地剔除圖像中的噪聲，在進一步降低噪聲的同時，并未產生模糊偽影而影響病灶顯示的效果［19， 20］ ，同時保持圖像紋理，能清晰地顯示肺結節(jié)的形態(tài)。有研究指出，相比迭代重建，DLIR圖像的噪聲更低，具備較高的空間分辨力，且低劑量掃描條件下病變檢出率更高［21］ ，亦與本次結果相符。然而本研究并未對結節(jié)分類，也未對大小、CT值進行測量。一項對COPD患者肺結節(jié)的研究中表明與標準劑量CT對比，ULDCT輻射劑量減少了 83%，但在結節(jié)測量和大小分類方面沒有相關差異［22］ 。然而，超低劑量篩查肺結節(jié)，檢出結節(jié)只是第一步，臨床工作中更多的需要盡可能地清晰顯示結節(jié)的內外部細節(jié)征象，如分葉征、毛刺征、血管集束征、細支氣管充氣征等，這有助于鑒別肺結節(jié)的良性與惡性［23-25］ 。一項描述大學肺癌篩查項目中Lung-RADS 4類病變特征的研究認為，在Lung-RADS 4A和4B類結節(jié)的多變量分析中，額外的影像學特征是肺癌的重要預測因子，可以指導管理和預測肺癌的風險［26］ 。也有研究認為胸部放射科醫(yī)師的視覺分析對結節(jié)分類準確性最高［27］ 。因此，本研究還在不同的 ULDCT重建序列中觀察了與惡性腫瘤相關的影像學特征，并與病理證實惡性的結節(jié)征象做對比。文獻表明鑒別孤立性肺結節(jié)良惡性最敏感的征象為毛刺、分葉及腫瘤血管征［28］ ，本研究在對這些肺結節(jié)周圍形態(tài)變化的主觀評價中，發(fā)現超低劑量聯合DLIR組對于這3種征象的顯示能力可以和標準劑量組相當，但對于胸膜牽拉和空泡的顯示，3組之間的差異無統(tǒng)計學意義，證明深度重建算法對于毛刺、分葉這種需要高空間分辨率顯示的征象更具有優(yōu)勢。當進一步把視覺判斷的良惡性結節(jié)與病理結果對照后，發(fā)現深度學習算法重建組診斷惡性肺結節(jié)具有較高度敏感度、特異度和陽性預測值，說明DLIR可以最大程度減少重建圖像與真實圖像的細微結構誤差，與文獻中結論一致［29］ ，從而使醫(yī)師對惡性征象的識別率高于迭代重建，診斷信心明顯提高。也有文獻報道了在超低輻射劑量下，與迭代重建相比，深度學習重建算法在圖像質量和Lung-RADS評估方面具有優(yōu)勢［30， 31］ 。研究的結果進一步證實超低劑量聯合深度學習算法將為超低劑量CT用于肺癌篩查做出積極貢獻。

綜上，超低劑量胸部CT結合深度學習重建能夠獲得與標準劑量 ASIR-V40%重建相當的圖像質量，且對肺結節(jié)的檢出及征象顯示良好，臨床可用于對肺結節(jié)的評估。但本研究也有一些局限性：本研究并未納入直徑lt;6 mm的結節(jié)，所以對于此類結節(jié)超低劑量是否適用，深度學習重建是否具有優(yōu)勢尚未清楚，未來仍然需要進一步的多中心驗證；本研究中惡性征象的病例數相對較小，結果在一定程度上可能存在偏差，需要進一步擴大樣本量。

參考文獻：

[1] Perisinakis K， Seimenis I， Tzedakis A， et al. Radiation burden andassociated cancer risk for a typical population to be screened forlung cancer with low-dose CT： a phantom study[J]. Eur Radiol，2018， 28（10）： 4370-8.

[2] Yao Y， Guo BB， Li JY， et al. The influence of a deep learning imagereconstruction algorithm on the image quality and auto-analysis ofpulmonary nodules at ultra-low dose chest CT： a phantom study[J].Quant Imaging Med Surg， 2022， 12（5）： 2777-91.

[3] Chen GH， Li YS. Synchronized multiartifact reduction withtomographic reconstruction （SMART-RECON）： a statistical modelbased iterative image reconstruction method to eliminate limited-view artifacts and to mitigate the temporal-average artifacts in time-resolved CT[J]. Med Phys， 2015， 42（8）： 4698-707.

[4] Ellmann S， Kammerer F， Allmendinger T， et al. Advanced modelediterative reconstruction （ADMIRE） facilitates radiation dosereduction in abdominal CT[J]. Acad Radiol， 2018， 25（10）： 1277-84.

[5] Brady SL， Trout AT， Somasundaram E， et al. Improving imagequality and reducing radiation dose for pediatric CT by using deeplearning reconstruction[J]. Radiology， 2021， 298（1）： 180-8.

[6] Dadoun H， Rousseau AL， de Kerviler E， et al. Deep learning for thedetection， localization， and characterization of focal liver lesions onabdominal US images[J]. Radiol Artif Intell， 2022， 4（3）： e210110.

[7] Akagi M， Nakamura Y， Higaki T， et al. Deep learning reconstructionimproves image quality of abdominal ultra-high-resolution CT[J].Eur Radiol， 2019， 29（11）： 6163-71.

[8] 劉娜娜， 呂培杰， 王會霞， 等. 基于深度學習圖像重建算法的低管電壓腹部CT平掃圖像質量價值評估[J]. 臨床放射學雜志， 2023， 42（11）： 1820-5.

[9] 劉海法， 楊 麗， 王 琦， 等. 深度學習重建算法對胸部低劑量CT肺結節(jié)測量及顯示影響的模體研究[J]. 放射學實踐， 2023， 38（8）： 977-84.

[10]竇越群， 吳海波， 于 勇， 等. 超低劑量CT掃描結合深度學習圖像重建對計算機輔助診斷系統(tǒng)定量分析肺結節(jié)的影響[J]. 中國介入影像與治學， 2024， 21（7）： 418-22.

[11]Kanii Y， Ichikawa Y， Nakayama R， et al. Usefulness of dictionarylearning-based processing for improving image quality of sub-millisievert low-dose chest CT： initial experience[J]. Jpn J Radiol，2020， 38（3）： 215-21.

[12]Miglioretti DL， Johnson E， Williams A， et al. The use of computedtomography in pediatrics and the associated radiation exposure andestimated cancer risk[J]. JAMA Pediatr， 2013， 167（8）： 700-7.

[13]Kim JH， Yoon HJ， Lee E， et al. Validation of deep-learning imagereconstruction for low-dose chest computed tomography scan：emphasis on image quality and noise[J]. Korean J Radiol， 2021， 22（1）： 131-8.

[14]Jiang BB， Li NY， Shi XM， et al. Deep learning reconstruction showsbetter lung nodule detection for ultra-low-dose chest CT[J].Radiology， 2022， 303（1）： 202-12.

[15]Carey S， Kandel S， Farrell C， et al. Comparison of conventionalchest x ray with a novel projection technique for ultra-low dose CT[J]. Med Phys， 2021， 48（6）： 2809-15.

[16]Greffier J， Hamard A， Pereira F， et al. Image quality and dosereduction opportunity of deep learning image reconstructionalgorithm for CT： a phantom study[J]. Eur Radiol， 2020， 30（7）：3951-9.

[17]付 芮， 張成亮， 沈 云， 等. 深度學習圖像重建算法對圖像質量的影響： 體模研究[J]. 放射學實踐， 2023， 38（12）： 1617-22.

[18]曾 文， 曾令明， 徐 旭， 等. 基于深度學習的圖像重建算法在胸部薄層CT中的降噪效果評估[J]. 四川大學學報： 醫(yī)學版， 2021， 52（2）：286-92.

[19]Zhong JY， Shen HL， Chen Y， et al. Evaluation of image quality anddetectability of deep learning image reconstruction （DLIR）algorithm in single- and dual-energy CT[J]. J Digit Imaging， 2023，36（4）： 1390-407.

[20]Oostveen LJ， Meijer FJA， de Lange F， et al. Deep learning-basedreconstruction may improve non-contrast cerebral CT imagingcompared to other current reconstruction algorithms[J]. Eur Radiol，2021， 31（8）： 5498-506.

[21]Higaki T， Nakamura Y， Zhou J， et al. Deep learning reconstruction atCT： phantom study of the image characteristics[J]. Acad Radiol，2020， 27（1）： 82-7.

[22]Han DW， Cai JL， Heus A， et al. Detection and size quantification ofpulmonary nodules in ultralow-dose versus regular-dose CT： acomparative study in COPD patients[J]. Br J Radiol， 2023， 96（1144）： 20220709.

[23]Lv YG， Bao JH， Xu DU， et al. Characteristic analysis of pulmonaryground-glass lesions with the help of 64-slice CT technology[J].Eur Rev Med Pharmacol Sci， 2017， 21（14）： 3212-7.

[24]王金華， 宋 蘭， 隋 昕， 等. 深度學習重建改善胸部低劑量CT圖像質量的價值[J] .中華放射學雜志， 2022， 56（1）： 74?80.

[25]張 艷， 呂發(fā)金， 褚志剛， 等. 基于CT薄層影像特征的肺結節(jié)良惡性評估[J]. 中國醫(yī)學影像學雜志， 2019， 27（3）： 182-7.

[26]Kocher Wulfeck M， Plesner S， Herndon JE 2nd， et al. CharacterizingLung-RADS category 4 lesions in a university lung cancer screeningprogram[J]. Lung Cancer， 2023， 186： 107420.

[27]Gupta S， Jacobson FL， Kong CY， et al. Performance of lung nodulemanagement algorithms for lung-RADS category 4 lesions[J]. AcadRadiol， 2021， 28（8）： 1037-42.

[28]李 輝， 姜春霞， 寧培剛， 等. 肺內孤立結節(jié)的高分辨 CT征象診斷價值[J]. 鄭州大學學報： 醫(yī)學版， 2014， 49（6）： 872-5.

[29]Franck C， Zhang GZ， Deak P， et al. Preserving image texture whilereducing radiation dose with a deep learning image reconstructionalgorithm in chest CT： a phantom study[J]. Phys Med， 2021， 81：86-93.

[30]Hata A， Yanagawa M， Yoshida Y， et al. Combination of deeplearning-based denoising and iterative reconstruction for ultra-low-dose CT of the chest： image quality and lung-RADS evaluation[J].AJR Am J Roentgenol， 2020， 215（6）： 1321-8.

[31]Yoo SJ， Park YS， Choi H， et al. Prospective evaluation of deeplearning image reconstruction for Lung-RADS and automaticnodule volumetry on ultralow-dose chest CT[J]. PLoS One， 2024，19（2）： e0297390.（編輯：郎 朗）